集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「我的集智」推送论文信息。


扫描下方二维码，关注“我的集智”服务号，即可订阅Complexity Express：           

 



Complexity Express 一周论文精选




以下是2022年11月28日-12月4日来自Complexity Express的复杂性科学论文精选。如果Complexity Express列表中有你感兴趣的论文，欢迎点赞推荐，我们会优先组织解读~

目录：

1. 用无模型多主体强化学习掌握 Stratego 游戏

2. 将计算控制与自然文本相结合，揭示意义构成的各个方面

3. 量子处理器上的可穿越虫洞动力学

4. 定向渗流和向湍流的转变

5. 电网恢复过程中的停电组团碎片化

6. 条件偏移下偏微分方程的深度迁移算子学习

7. 狨猴大脑功能和结构连接的综合资源

8. 利用 AlphaFold 估计蛋白质模型精度的最新进展



1.DeepNash模型：用无模型

多主体强化学习掌握Straego游戏


论文题目：Mastering the game of Stratego with model-free multiagent reinforcement learning
论文来源：Science
论文链接：https://www.science.org/doi/10.1126/science.add4679


Stratego 是一种流行的双人不完全信息棋盘游戏。由于它的复杂性源于其巨大的游戏树、不完全信息下的决策，以及开始时的棋子部署阶段，因此能对人工智能（AI）提出挑战。以前的计算机程序最多只能达到业余水平。本文介绍 DeepNash 模型，一个在人类专家水平上玩不完全信息博弈策略的自主智能体。Stratego 是为数不多的人工智能尚未掌握的标志性棋类游戏之一。Stratego 是一个拥有属性双重挑战的游戏，它需要像国际象棋那样进行长期策略思考，但也需要像扑克那样处理不完善的信息。

DeepNash 的技术采用了一种博弈论的、无模型的深度强化学习方法，不需要搜索，通过从头开始的自我游戏来学习掌握 Stratego。DeepNash 击败了 Stratego 现有的最先进的人工智能方法，在与人类专家玩家的竞争中，获得了今年（2022年）以来的最高排名，并在 Gravon 游戏平台上一直位居前三。

图：R-NaD 的概述。（A）DeepNash 基础上的 R-NaD 方法的概述，它允许学习玩不完全信息游戏Stratego。（B-D）R-NaD通过从头开始的自我博弈（C）学习由深度神经网络（B）代表的政策，并旨在收敛到纳什均衡（D）。该方法依靠两个核心思想来达到收敛：复制者动态和奖励转换。它们的方程以最简单的形式显示。



2.将计算控制与自然文本相结合，

揭示意义构成的各个方面


论文题目：Combining computational controls with natural text reveals aspects of meaning composition
论文来源：Nature Computational Science
论文链接：https://www.nature.com/articles/s43588-022-00354-6


为了研究人类智力的一个核心组成部分ーー我们结合词义的能力ーー神经科学家把目光投向了语言学。然而，语言学理论不足以解释所有反映语言构成的大脑反应。相比之下，我们采用数据驱动的方法来研究超越个别意义的词的组合意义，我们称之为“超词意义”（supra-word meaning）。

我们构建了一个超词意义的计算表征，并通过两种互补成像模式的大脑记录研究其神经基础。使用功能性磁共振成像，我们发现被认为处理词汇意义的枢纽也保持超词意义，这表明词汇和组合语义具有共同的基础。令人惊讶的是，我们无法在脑磁图（magnetoencephalography）中检测到超单词意义，这表明组合意义可能是通过不同于锥体细胞同步放电的神经机制来维持的。这种灵敏度的差异对过去的神经影像学研究的结果和未来的可穿戴神经技术会产生影响。

图：方法示意图（A）编码模型 f 试图通过学习，得到一个以参与者在实验中阅读文本的表征为自变量的函数，以预测对大脑的记录。（B）刺激表征是从一个 NLP 模型中获得的，该模型已经从数百万个文档中获取了语言统计数据。该模型使用上下文无关嵌入(以黄色和蓝色显示)和上下文相关的单词嵌入(红色显示)。上下文嵌入是通过不断集成每个新的词的上下文无关嵌入与最新的上下文嵌入形成的。（C）上下文和词嵌入共享信息。在周围位置的单词被绘制在不同的位置时，语境和词语嵌入在预测中的表现。上下文相关嵌入包含最多 6 个过去单词的信息，单词嵌入包含关于周围词语的嵌入。为了孤立超词语（supra-word）意义的表示，需要考虑共享的信息。（D）超词语的意义是通过获取属性的相关信息后嵌入上下文中的词语嵌入中的剩余信息。我们把这种残余称为上位词语嵌入或残余上下文。超词语嵌入被用作编码模型 f 的输入，揭示了其中功能磁共振成像体素和脑电传感器时间点的调制超文字的意义。



3.量子处理器上的可穿越虫洞动力学


论文题目：Traversable wormhole dynamics on a quantum processor
论文来源：Nature
论文链接：https://www.nature.com/articles/s41586-022-05424-3


全息原理（holographic principle）被认为是量子引力的一个属性，它假定对体空间的描述可以编码到较低维的边界上。反德西特（AdS）/共形场论的对应关系或对偶是全息的主要例子。N≫1 马约拉纳费米子的 Sachdev-Ye-Kitaev（SYK）模型的特点表明在 AdS 中存在引力对偶，它是全息的一个新实现。我们引用SYK多体系统和引力的全息对应关系，通过 SYK 模型中实现的可穿越虫洞机制来探测猜想的纠缠和时空几何之间的 ER=EPR 关系。量子比特可以用来通过相应的远程传输协议来探测SYK可穿越虫洞的动力学。这可以作为一个量子电路来实现，相当于无限量的量子比特的半经典极限中的引力图景。

在这里，我们使用学习技术来构建一个稀疏化的SYK模型，我们在一个9量子比特的电路上用164个双量子比特门来实验实现，并观察相应的可穿越虫洞动力学。尽管具有近似的性质，但稀疏化的SYK模型保留了可穿越虫洞物理学的关键属性：完美的尺寸缠绕，与负能量冲击波相一致的虫洞两侧的耦合，Shapiro 时间延迟，从虫洞出现的信号的因果时间顺序，以及扰乱和热化动力学。我们的实验是在谷歌 Sycamore 处理器上运行的。通过讯问一个二维引力对偶系统，我们的工作代表着向在实验室研究量子引力的程序迈出了一步。未来的发展将需要改进硬件的可扩展性和性能，以及理论上的发展，包括更高维的量子引力对偶和其他类似 SYK 的模型。

图：时空和全息对偶中的可穿越虫洞。（a）AdS 空间中的可穿越虫洞示意图。一个在 t = -t0 注入的量子比特通过虫洞的左侧进入；在 t = 0 时，在虫洞的两边之间施加一个耦合（虚线），引起一个负能量冲击波（蓝色）；量子比特在接触到冲击波时经历一个时间提前，导致它在 t = t1 时从右侧出现。（b）说明传送信号的时间排序（虫洞）和时间反转（扰动）。可穿越虫洞的平滑半古典几何学产生了一个服从因果关系的传送制度；非引力传送导致信号以相反的顺序到达。（c）可穿越虫洞表示为一个量子电路，相当于在无限量子比特的半古典极限中的引力图景。 寄存器P持有一个与寄存器Q上的量子比特纠缠在一起的参考量子比特，被插入到虫洞中。单元 U(t) 表示在左、右SYK 模型（寄存器L和R）下的时间演化。TFD状态，在t=0时初始化虫洞。时间演化和马约拉纳费米子交换门在适当的时候实现量子比特注入（寄存器Q）和到达读出（寄存器T）。当μ<0时，耦合eiμV产生一个负能量冲击波，允许穿越；当μ>0时，耦合产生一个正能量冲击波，量子比特落入奇点。



4.定向渗流和向湍流的转变


论文题目：Directed percolation and the transition to turbulence
论文来源：Nature Reviews Physics
论文链接：https://www.nature.com/articles/s42254-022-00539-y


令人惊讶的是，像层流向湍流过渡这样无处不在的涌现现象，物理学家、工程师和数学家共同努力了将近一个半世纪，仍然没有得到解决。近年来，各种研究提出了与定向渗流的类比，定向渗流是统计力学中一个著名的普适性类，它描述了从一个波动的活动相到一个吸收态的非平衡相变。正是这种多尺度、高维度动力学之间不太可能的关系，标志着几乎所有具有实际意义的流动中的转变过程，以及可以说是最基本的非平衡相变，到目前为止主要是模型研究的主题，本文将对此进行回顾。

图：定向渗流与湍流扩散之间的类比。


5.电网恢复过程中的停电组团碎片化


论文题目：Fragmentation of outage clusters during the recovery of power distribution grids
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-35104-9


对于停电恢复过程的理解和研究受限于个体停电事件数据，尤其是大规模区域停电数据。该研究通过分析美国三家电力公司的数据，发现个体停电的恢复时间与它周围建筑的停电、区域停电的强度（区域内个体停电的峰值）有关，与受影响的人数无关。研究提出了一个基于组团的电网恢复框架用来分析个体停电之间的相互依赖性，并揭示区域停电强度在恢复过程中的主导作用。结果表明，个体的停电恢复并不是随机的，而是存在普遍模式。这与停电原因、灾后电网结构和具体恢复策略无关。研究显示，控制区域停电的强度是加速恢复过程的有效方式。

图：停电恢复期的概率密度函数。研究绘制了四组不同受影响人数下的停电恢复分布情况。四条曲线的相似性可由一个通用的反 Weibull(inverse Weibull) 分布函数拟合，这说明了停电恢复时间和受影响人数之间的独立性。



6.条件偏移下

偏微分方程的深度迁移算子学习


论文题目：Deep transfer operator learning for partial differential equations under conditional shift
论文来源：Nature Machine Intelligence
论文链接：https://www.nature.com/articles/s42256-022-00569-2

迁移学习能够将学习执行一项任务（源）时获得的知识转移到相关但不同的任务（目标），从而解决数据采集和标记成本高、潜在的计算能力限制和数据集分布不匹配等问题。我们提出了一个新的迁移学习框架，用于基于深度运算器网络（DeepONet）的条件转移下的特定任务学习（偏微分方程的函数回归）。特定任务的算子学习是通过使用混合损失函数对目标 DeepONet 的特定任务层进行微调来完成的，该函数允许对单个目标样本进行匹配，同时也保留了目标数据的条件分布的全局属性。

受条件嵌入算子理论的启发，我们通过将条件分布嵌入到重现核希尔伯特空间，使标记的目标数据与未标记的目标数据上的代理预测之间的统计距离最小。我们证明了该方法在各种迁移学习场景中的优势，这些场景涉及非线性偏微分方程，在不同的条件下，由于几何领域和模型动态的转变，我们的方法也有优势。尽管源域和目标域之间存在相当大的差异，但我们的迁移学习框架能够快速有效地学习异质任务。

图：本工作中所考虑的算符学习基准和TL场景的示意图。


7.狨猴大脑功能

和结构连接的综合资源


论文题目：An integrated resource for functional and structural connectivity of the marmoset brain

论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-35197-2

为了准确地模拟大脑功能，需要对结构和功能连接数据进行全面整合。虽然研究非人灵长类大脑结构连接的资源已经存在，但它们与功能连接数据的整合仍然不可用。在这里，我们提出了一个综合数据资源，将迄今为止最广泛的清醒狨猴静止状态 fMRI 数据（39只狨猴，710次运行，12117分钟）与以前发表的细胞级神经元追踪数据（52 只狨猴，143 次注射）和多分辨率弥散 MRI 数据集结合起来。这些数据的结合使我们能够（1）绘制精细的大脑功能网络和皮质分区，（2）开发基于深度学习的分区生成器，保留功能连接的拓扑组织并反映个体差异，以及（3）通过计算模型研究功能连接的结构基础。这一资源将使结构-功能关系模型化，并促进未来灵长类大脑的比较和转化研究。

图：狨猴脑图谱资源概要。该资源提供了清醒的测试-恢复静止状态 fMRI 数据，来自相同狨猴队列的体内弥散 MRI 数据，以及映射到同一 MRI 空间的体素/皮质水平的神经元追踪数据。除了数据集，它还支持全脑功能网络和计算模型的研究，以及基于功能连接的皮层解析（狨猴脑图谱第四版），使用深度神经网络进行精确的个体映射。作为狨猴大脑研究的综合多模态资源，我们还提供了一个在线平台来探索结构和功能连接之间的关系。这一功能体现在在线互动式查看器中。



8.利用AlphaFold

估计蛋白质模型精度的最新进展


论文题目：State-of-the-Art Estimation of Protein Model Accuracy Using AlphaFold
论文来源：Physical Review Letters
论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.129.238101

从蛋白质的主要氨基酸序列预测其三维结构的问题是结构生物学中的一个长期挑战。最近，像 Alphafold 这样的方法通过将深度学习技术，与来自相关蛋白质序列的多序列比对的协同进化数据相结合，在这项任务上取得了显著的表现。协同进化信息的使用对这些模型的准确性至关重要，没有它，它们的预测性能就会大大下降。然而，在活细胞中，一个蛋白质的三维结构完全由其主序列和导致其折叠成低能量构型的生物物理规律决定。因此，通过学习一个近似的生物物理能量函数，应该可以仅从一个蛋白质的主序列来预测其结构。我们提供证据表明，Alphafold 已经学会了这样一个能量函数，并使用协同进化数据来解决寻找低能量构象的全局搜索问题。我们证明，Alphafold 学到的能量函数可以用来对候选蛋白质结构的质量进行排名，并具有最先进的准确性，而不使用任何协同进化数据。最后，我们探讨了这个能量函数的几个应用，包括在没有多序列比对的情况下预测蛋白质结构。

图：共同进化信息在 Alphafold 预测中的假设作用。




关于Complexity Express




Complex World, Simple Rules.
复杂世界，简单规则。
由于学科交叉融合，大量针对复杂系统的研究成果散落在人工智能、统计物理、网络科学、数据科学、计算社会科学、生命科学、认知科学等等不同领域的期刊会议中，缺乏整合。

 

为了让大家能及时把握复杂系统领域重要的研究进展，我们隆重推出「Complexity Express」服务，汇总复杂系统相关的最新顶刊论文。

 

Complexity Express 是什么？

Complexity Express 每天爬取复杂系统领域最新发表的顶刊论文，每周通过“我的集智”服务号汇总推送。
 
进入 Complexity Express 页面即可随时查看顶刊论文更新，你也可以通过微信接收研究更新推送和一周汇总。

               


Complexity Express 为谁服务？

  • 如果你是复杂系统领域的研究者，可获得重要论文上线通知，每周获取最新顶刊论文汇总。

  • 如果你是复杂系统领域的学习者，可了解学界关注的前沿问题，把握专业发展脉络。

  • 如果你是传统的生命科学、社会科学等学科中的研究者/学习者，可以从复杂科学和跨学科研究中获得灵感启发。

  • 如果你是关注前沿研究发现的知识猎手，可获得复杂系统研究对自然和人类世界的最新洞见。

Complexity Express 栏目也是集智俱乐部公众号的主要选题来源，诚挚邀请你订阅，与我们信息同步。
 

Complexity Express 论文从哪里来？

考虑复杂系统研究往往属于跨学科工作，我们主要抓取综合类和泛物理类/计算机类的顶级期刊，从每周新发表的数百篇论文中精选出与复杂系统相关的论文。
 
Complexity Express 参考影响因子和学者口碑，选择了如下期刊，每日爬取其论文更新：

  • Nature

  • Science

  • PNAS

  • Nature Communications

  • Science Advances

  • Physics Reports

  • Physical Review Letters

  • Physical Review X

  • Nature Physics

  • Nature Human Behaviour

  • Nature Machine Intelligence

  • Review of Modern Physics
  • Nature Review Physics
  • Nature Computational Science
  • National Science Review
  • 更多期刊持续增补中，欢迎推荐你认为重要的期刊！
 
如果你在 Complexity Express 中发现了感兴趣的论文，请立刻“点赞”！每周最高赞的论文，集智编辑部将组织专业解读~
 

Complexity Express 追踪哪些领域？

我们力求兼顾热点追踪与领域覆盖，目前筛选的论文主要集中在如下与复杂性关系密切的领域：
  • 复杂系统基本理论
  • 复杂网络方法及应用
  • 图网络与深度学习
  • 计算机建模与仿真
  • 统计物理与复杂系统
  • 量子计算与量子信息
  • 生态系统、进化、生物物理等
  • 系统生物学与合成生物学
  • 计算神经科学与认知神经科学
  • 计算社会科学与社会经济复杂系统
  • 城市科学与人类行为
  • 科学学
  • 计算流行病学
  • 以及一些领域小众，但有趣的工作
 
由于复杂性研究领域横跨多个学科，研究论文散落在不同的期刊上，很难不重不漏地把握最新工作。针对复杂性领域的论文筛选，我们专门设计了算法。经过数月的训练迭代优化，目前对上述领域爬取准确率达到90%以上。
 
将来我们还会根据你的具体研究领域，推出研究分类与个性化的订阅服务，敬请期待！
 
由于复杂性领域涉及的论文关键词和研究问题纷繁复杂，所以算法难免有不成熟的地方，如果你发现我们有漏掉的重要论文，或者爬到了领域有偏差的论文，欢迎联系我们（小助手微信：swarmaAI），帮助我们持续优化算法。

如果你对科学学、计算术语学等感兴趣并有代码能力，欢迎报名成为集智算法志愿者/实习生（具体请邮件联系算法组负责人huqiao@swarma.org）。

如果你对复杂科学及相关跨学科研究有长期兴趣，并乐于解读分享，欢迎加入集智作者团队（具体请邮件联系编辑部负责人liupeiyuan@swarma.org）。




更多论文




更多复杂性顶刊论文，请到Complexity Express页面查看。订阅即可每周获取更新提醒。
       


点击“阅读原文”，追踪复杂科学顶刊论文